經濟內循環背景下中國物流業高質量發展研究

劉輝 范林榜 呂墨子

摘? 要：物流業的發展對經濟、環境和能源有重大的影響，因此中國若要實現經濟內循環和高質量發展必須重視物流業發展。文章基于2010～2019年中國31個省的面板數據，運用PVAR模型對物流業與能源、環境和經濟之間關系進行實證研究。研究表明：（1）中國不同地區的物流業發展是不均衡的。“明星”象限的沿河流域，物流業發展潛力較高，經濟增長動力也較高;“金牛”象限的沿海地區，物流業發展潛力較低，但經濟增長動力較高;“問題”象限的東北地區，物流業發展潛力較高，但經濟增長動力較低;“瘦狗”象限的西部地區，物流業發展潛力較低，經濟增長動力也較低。（2）能源消耗與物流需求為雙向影響效應;經濟發展是導致物流業發展的原因;物流業發展與物流需求為雙向影響效應。最后，對中國物流業如何高質量發展給出一些意見和建議。

關鍵詞：PVAR;經濟內循環;物流產業;高質量發展

中圖分類號：F250? ? 文獻標識碼：A

Abstract： The development of the logistics industry has a significant impact on the economy， environment and energy， so China must pay attention to the development of the logistics industry if it wants to realize the internal circulation of the economy and high-quality development. Based on the panel data of 31 provinces in China from 2010 to 2019， this paper uses the PVAR model to conduct an empirical study on the relationship between the development of China's logistics industry and energy， environment and economy. The research shows that：（1）The development of logistics industry in different regions of China is not balanced. Along the river basin in the“star”quadrant， the development potential of logistics industry is high， and the economic growth power is also high. In the coastal areas in the“jinniu”quadrant， the development potential of logistics industry is low， but the economic growth power is high. In the“problem”quadrant of Northeast China， the development potential of logistics industry is high， but the impetus of economic growth is low. In the western part of the“thin dog”quadrant， the development potential of the logistics industry is low， and the impetus for economic growth is also low.（2）Energy consumption and logistics demand is a two-way effect; economic development is the cause of the development of logistics industry; logistics industry development and logistics demand for a two-way effect. Finally， this paper gives some opinions and suggestions on how to develop Chinese logistics industry with high quality.

Key words： PVAR; internal circulation of economy; logistics industry; high quality development

隨著全球新冠肺炎疫情進一步蔓延的影響，全球經濟受到前所未有的巨大沖擊，中美貿易摩擦不斷升級，自疫情以來中國國內失業人口也在持續增加，2020年1～3季度中國國民生產總值比上年同期增長僅為0.7%。中國的經濟發展受到嚴重的沖擊。中國作為制造業大國，當前正處于經濟綠色轉型升級的關鍵時期，中國的制造業面臨能源消耗與環境保護的雙重壓力。同時，中國的經濟發展要想實現經濟內循環，通過國內消費拉動經濟增長就必須重視物流業的發展，因為物流業發展程度對企業的降本增效有顯著的影響。經濟內循環的實現更需要完善的產業鏈和不同地區之間的經濟協調發展與優勢互補。而物流業無疑是實現這一遠景的重要支柱。因此，我們既要研究物流業與經濟發展的關系，同時也要研究它們與能源消耗和環境污染的關系。

1? 文獻綜述

Lan S等（2017）[1]認為隨著經濟全球化和一體化的發展，物流業已成為推動國民經濟和區域經濟快速發展的新動力。經濟發展與物流發展之間的密切關系受到學術界的廣泛關注。Fang C & Zhang J（2018）[2]認為環境的可持續發展驅使企業開展內部綠色活動，并向綠色供應鏈管理擴展，研究表明綠色供應鏈管理對提高公司績效具有積極影響。Liu X等（2019）[3]認為隨著全球對環境保護重要性的認識不斷提高，亞洲見證了綠色物流和供應鏈綠色化的重要趨勢，迫切需要發展環境可持續的供應鏈，以保護當地和全球環境。Khan S A R等（2019）[4]從亞洲新興經濟體的角度研究了綠色物流指數、經濟、環境和社會因素之間的關系。結果表明，物流業務與社會和環境問題呈顯著負相關。

以上學者皆從兩個或三個維度研究物流業發展與經濟的關系，本文從物流業發展、經濟、能源和環境這四個維度探討物流業可持續發展問題。

2? 變量說明與數據來源

2.1? 變量說明

2.1.1? 物流業發展水平

本文采用中國部分地區（31個省）的貨運量作為物流業發展程度的指標。貨運量是在貨物運輸中完成或需要完成運輸的貨物數量。Hidayatno A等（2019）[5]使用貨運量指標來研究雅加達的電子商務發展，他們認為在過去的幾年中交通部門的能源使用對城市發展有重大影響。Baydar A M等（2019）[6]研究了土耳其的貨運村，他們認為貨運村是一個物流集群，在這個物流集群中實現了與貨運量有關的所有活動。

2.1.2? 物流需求

本文采用快遞業務量作為物流需求的指標。一個地方的快遞業務量可以較好地反映該地區對物流服務的需求量。Duan H等（2019）[7]認為快遞在現代經濟中起著至關重要的作用。Kang P等（2020）[8]認為由于電子商務和物流業的蓬勃發展，快遞服務已成為我們日常生活中不可或缺的一部分。

2.1.3? 經濟發展

本文采用國內生產總值作為經濟發展的指標，國內生產總值是按市場價格計算的一個國家或地區所有常住單位在一定時期內生產活動的全部最終產品和服務價值的總和。Rashidi K & Cullinane K（2019）[9]認為在大多數國家中，物流業在國內生產總值（GDP）的增長中也占很大的份額，常被認為是衡量國家或地區經濟狀況的指標之一。Wu Q & Qiu Y（2019）[10]探討了影響中國物流業發展的因素，對中國物流業產值進行了多元回歸分析。結果表明，物流產值作為中國GDP的重要組成部分，對中國GDP的發展具有重要的貢獻。因此需要研究它們之間的關系，以使物流業科學發展。

2.1.4? 能源消耗

本文變量能源消耗是通過2010～2019年中國部分地區（31個省）的載貨汽車數量car年度統計量計算所得。

car—代表不同省份在不同年份載貨汽車數量;

m—代表載貨汽車每消耗1升汽油的質量;

x—代表載貨汽車每行駛一百公里消耗汽油量;

V—代表載貨汽車的速度;

h—代表載貨汽車每天行駛的時間;

d—代表載貨汽車每年工作的天數。

lnEC=lnm·x·v·h·d·car? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （1）

其中：i=1，2，…，n，代表中國各個省;t=1，2，…，t，代表年份。為了簡化計算，本文數據均采用各數據的歷年均值。詳細計算過程[11]如下：假設汽車百公里油耗為10L，汽油的質量為0.74kg/L，載貨汽車平均速度為70km/h，以每輛汽車每天工作10小時計算，然后將其代入公式（1），求出最終的結果能源消耗。Yang J等（2019）[12]認為基于中國的能源結構，物流業已成為最重要的能源消耗者和碳排放貢獻者之一。

2.1.5? 環境污染

Deng F等（2020）[13]認為中國的物流業最近發展迅速，但也面臨著成本高、效率低和碳排放過多等問題，給環境造成了沉重負擔。本文變量環境污染采用燃油載貨汽車所排放的氮氧化物表示，該指標是通過2010～2019年中國31個省的載貨汽車數量年度統計量計算所得。Cohen G & Jalles J T（2019）[14]使用匯總數據和省級數據對中國溫室氣體排放量與GDP之間的關系進行了綜合分析。中國的庫茲涅茨彈性約為0.6，高于發達國家，但低于主要新興市場。

nox—代表載貨汽車每行駛一百公里氮氧化物排放量。

lnEP=lnv·h·d·nox·car? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（2）

其中：i=1，2，…，n，代表中國各個省;t=1，2，…，t，代表年份;為了簡化計算，本文數據均采用各數據的歷年均值。計算過

程[15]如下：假設汽車百公里排放氮氧化物為14.36g/km[16]，載貨汽車平均速度為70km/h，以每輛汽車每天工作10小時計算，將其代入公式（2），求出最終的結果環境污染lnEP。

2.2? 數據來源

本文數據來源于國泰安數據庫（CSMAR）和中國統計年鑒2010～2019年中國大陸地區（31個省）的面板數據，運用面板向量自回歸（PVAR）模型，使用STATA軟件得出模型擬合結果。為了消除各變量之間的內生性問題，本文在兩個模型中分別增加了兩個不同的工具變量。為了消除時間序列數據的慣性問題，所有變量均采用一階差分形式。由于數據統計缺失的原因，未收集到中國香港、澳門和中國臺灣地區的相關數據，暫不做相關研究。

3? 實證研究

3.1? 模型構建

Sims等（1980）[17]創立了向量自回歸（VAR）模型，其特點就是將所有變量作為內生變量，以真實反映各變量之間的關系，Holtz-Eakin等（1988）[18]將其拓展到面板數據，提出了面板自回歸（PVAR）模型。

對物流業發展與經濟、能源和環境之間關系的研究，以往的學者一般采用固定效應模型或隨機效應模型研究，但是忽視了模型變量之間可能存在的內生性問題。為了能全面了解它們之間的關系，本文依次構建了兩個模型。如下所示：

D.Y=μ+μ·D.Y+Ω+ε? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（3）

D.Y=μ+μ·D.Y+Φ+ε? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（4）

其中：i=1，2，…，n，代表中國各個省;t=1，2，…，t，代表年份;D.Y=lnGDP lnEP lnLDL為一個包含經濟發展水平lnGDP、環境污染程度lnEP、物流發展水平lnLDL的三維列向量;D.Y=lnEC lnLD lnLDL為一個包含能源消耗量lnEC、物流需求lnLD、物流發展水平lnLDL的三維列向量;Ω=lnEC lnLD為一個包含能源消耗lnEC和快遞業務量lnLD的二維行向量;Φ=lnGDP lnEP為一個包含經濟發展lnGDP、環境污染lnEP的二維行向量。μ表示截距項向量;k表示滯后期數;μ表示滯后第j階的參數矩陣;ε為隨機擾動項。

3.2? 平穩性檢驗

PVAR模型要求變量是平穩序列，通過平穩性檢驗可以有效避免模型的偽回歸現象[19]。由于本文使用大N小T的短面板數據，為了增強檢驗結果的穩健性，本文采用IPS（異質根檢驗）、LLC（同質根檢驗）、ADF-Fisher檢驗、PP-Fisher 4種檢驗進行單位根檢驗（見表1）。5個序列lnGDP， lnEC， lnEP， lnLD， lnLDL在4個檢驗中均拒絕變量平穩性的原假設且全部在1%水平上顯著，表明具有良好的平穩性，可以進行PVAR模型估計。

3.3? 最優滯后期數的選擇

為保證PVAR模型參數估計的有效性，應先確定PVAR模型的最優滯后期數，一般選擇信息準則最小值所在的滯后期數為最優滯后期數[20]。分別采用AIC、BIC和HQIC準則進行最優滯后期數的選擇（見表2）。基于模型穩定性與Granger因果檢驗結果的考慮，模型（3）和模型（4）在滯后4期時，擬合效果最顯著。因此，本文最終將滯后4期作為模型（3）和模型（4）的滯后期數。

3.4? 中國部分地區PVAR模型回歸

為了增加模型的可靠性，本文在模型（3）的基礎上增加了能源消耗lnEC和物流需求lnLD兩個工具變量;在模型（4）的基礎上增加經濟發展lnGDP和環境污染lnEP兩個工具變量。31個省進行PVAR模型的GMM估計的結果（見圖1）。董梅、李存芳（2020）[21]在研究中國的低碳化進程時將30個省分為8個區，本文亦采用類似方法將中國部分地區（不包括港、澳、臺）31個省分為4個大地區（9個細分區域）進行比較。

由圖1可以清晰地看出，物流業發展與經濟、能源、環境之間的影響系數在不同省份之間的差異。基于波士頓矩陣和通用矩陣的特點，本文提出了中國不同地區發展矩陣構想圖（見圖2），縱軸表示物流業發展潛力，橫軸表示經濟發展動力。圖3中縱軸表示物流業發展水平，橫軸表示經濟發展水平。

處于“明星”象限的沿河流域，物流業發展潛力較高，經濟增長動力也較高;處于“金牛”象限的沿海地區，物流業發展潛力較低，經濟增長動力卻較高。部分沿海地區已經進入瓶頸期，負外部性逐漸顯現;處于“問題”象限的東北地區，物流業發展潛力較高，經濟增長動力卻較低。這就決定了東北地區“高增長但弱競爭”的尷尬地位;處于“瘦狗”象限的西部地區，物流業發展潛力較低，經濟增長動力也較低。

由模型（3）和圖1至圖3可以得出，當前中國部分地區（31個省）物流發展水平與經濟發展和環境污染之間的關系存在顯著差異。

（1）經濟發展對物流發展水平有顯著促進作用的地區有沿海地區、沿河流域等，省份有北京、天津、河北、山西、遼寧、湖南、云南、寧夏。經濟發展對物流業發展有顯著抑制作用的地區是西部地區，省份有重慶、陜西、新疆。

（2）經濟發展對環境污染有顯著作用的省份沿海地區和西南地區，有北京、上海、浙江、福建、湖南、廣東、重慶、四川、新疆。經濟發展對環境污染有顯著抑制作用的省份有山西、內蒙古、安徽、江西、山東、海南、寧夏。

（3）經濟發展對自身發展有顯著促進作用的地區是北部沿海、沿河流域和東北地區，省份有北京、天津、吉林、黑龍江、安徽、山東、河南、湖北、湖南、海南、貴州、云南、西藏、陜西、青海、寧夏。經濟發展對自身發展有顯著抑制作用的是東部沿海和西北地區，省份有山西、上海、浙江、甘肅、新疆。

由模型（4）和圖1至圖3可以得出，當前中國部分地區（31個省）物流業發展水平與物流需求、能源消耗之間的關系存在顯著差異。

（1）物流需求對能源消耗有顯著促進作用的是西部地區，省份有湖北、重慶、西藏。物流需求對能源消耗有顯著抑制作用的地區是沿海地區和沿河流域，省份有天津、河北、吉林、江蘇、云南、陜西、新疆。

（2）能源消耗對物流需求有顯著促進作用的地區是沿海地區和西部地區，省份有北京、江蘇、福建、江西、湖南、貴州、西藏、新疆。能源消耗對物流需求有顯著抑制作用的地區是沿河流域，省份有山西、上海、安徽、山東、青海。

（3）物流需求對物流發展水平有顯著促進作用的地區主要集中在黃河流域和西南地區，省份有河北、山西、內蒙古、福建、海南、四川、寧夏、新疆。物流需求對物流業發展有顯著抑制作用的地區主要在長江流域和西南地區，省份有浙江、河南、湖南、重慶、西藏、陜西。

（4）物流發展水平對物流需求有顯著促進作用的地區主要在黃河流域和西南地區，省份有北京、山西、福建、海南、貴州、新疆。物流業發展對物流需求有顯著抑制作用的地區主要在東北和長江流域，省份有遼寧、黑龍江、上海、江蘇、浙江、安徽、湖北、重慶、西藏、青海。能源消耗對自身發展有顯著促進作用的地區主要在沿海地區和西部地區，省份有江蘇、廣東、廣西、海南、四川、貴州、云南、陜西、甘肅、青海、寧夏、新疆。能源消耗對自身發展有顯著抑制作用，省份有河北、重慶、西藏。

3.5? 模型的穩定性與Granger因果檢驗

對PVAR模型進行穩定性檢驗，即要求伴隨矩陣所有特征根的模均小于1。分別對模型（3）和模型（4）進行模型的穩定性檢驗，結果表明兩個模型的所有特征根均落在單位圓內（見圖4和圖5）。此外，還需要對各變量之間進行Granger因果關系驗證（見表3）。

由模型（3）和模型（4）的結果表明：

（1）環境污染不是導致經濟發展的原因，但是經濟發展卻是導致環境污染的原因。物流業的發展不是導致經濟發展的原因，但是經濟發展卻是導致物流業發展的原因。物流需求是導致能源消耗的原因，能源消耗也是導致物流需求的原因，即能源消耗與物流需求為雙向效應。

（2）物流業發展不是導致能源消耗的原因，能源消耗也不是導致物流業發展的原因。物流業發展是導致物流需求的原因，物流需求也是導致物流業發展的原因，即物流業發展與物流需求為雙向效應。經濟發展和物流業發展是導致環境污染的原因，經濟發展和環境污染是導致物流業發展的原因。

（3）物流需求和物流業發展是導致能源消耗的原因;能源消耗和物流業發展是導致物流需求的原因;能源消耗和物流需求是導致物流業發展的原因。

3.6? 脈沖響應分析

由于本文所使用的數據時間序列較短，因此，將沖擊作用時期設置為6期（默認10期），通過1 000次蒙特卡洛模擬，得到了95%置信區間的脈沖響應函數圖。即模型（3）的脈沖響應函數圖（見圖6）和模型（4）的脈沖響應函數圖（見圖7）。

由圖6模型（3）脈沖響應圖可以看出：

（1）經濟發展對自身的脈沖響應前2期有顯著正向影響，并且這種正向影響是在逐漸降低的，反映了中國的經濟增長速度平穩下滑趨勢。

（2）環境污染對自身的脈沖響應前1期有顯著正向影響，并且這種正向影響是在逐漸降低的，反映了中國的環境問題依然面臨著嚴峻的考驗。

（3）物流業發展對自身的脈沖響應前1期有顯著正向影響，并且這種正向影響是在逐漸降低的，反映了中國的物流業發展慣性對促進自身的發展有顯著的影響。

由圖7模型（4）脈沖響應圖可以看出：

（1）能源消耗對自身脈沖響應前1期有顯著正向影響，并且這種正向影響是在逐漸降低的。能源消耗對物流需求脈沖響應前5期有顯著負向影響，并且這種負向影響是先增加后減少的，物流需求對能源消耗脈沖響應前1期有顯著負向影響，并且這種負向影響是在逐漸降低的。

（2）物流需求對自身的脈沖響應前5期有顯著正向影響，并且這種正向影響是在逐漸降低的。物流需求對物流業發展脈沖響應前1期有顯著負向影響，并且這種負向影響是在逐漸增加的。物流業發展對物流需求脈沖響應前1期有顯著負向影響，并且這種負向影響是先升高后降低的。

（3）物流業發展對自身的脈沖響應前1期有顯著正向影響，并且這種正向影響是在逐漸降低的，反映物流業發展對自身的慣性作用比較顯著。

3.7? 方差分解

通過PVAR模型中的方差分解，可以將每個內生變量預測誤差的方差按照其成因分解為與各個內生變量相互關聯的組成部分，從而評估各個沖擊對系統中內生變量解釋力度和相對重要性。

由表4可以得出，各個變量對自身的慣性影響都比較顯著。經濟發展對自身的脈沖響應在第2期有顯著正向影響，并且這種正向影響是在逐漸降低的，這與圖1得出的結論基本一致。物流業發展水平對自身的脈沖響應在前1期有顯著正向影響。能源消耗對自身脈沖響應在前2期有顯著正向影響，并且這種正向影響是在逐漸降低的。

4? 結論及建議

4.1? 結? 論

（1）中國不同地區的物流業發展水平是不均衡的。“明星”象限的沿河流域，物流業發展潛力較高，經濟增長動力也較高;“金牛”象限的沿海地區，物流業發展潛力較低，經濟增長動力卻較高。沿海地區一直是中國經濟發展的領頭羊，但是物流業的發展在部分沿海地區已經進入瓶頸期，負外部性逐漸顯現，已經阻礙了物流業可持續發展。甚至有些地區物流業的發展給地方帶來了比較嚴重的環境問題;“問題”象限的東北地區，物流業發展潛力較高，經濟增長動力卻較低。這就決定了東北地區“高增長但弱競爭”的尷尬地位;“瘦狗”象限的西部地區，物流業發展潛力較低，經濟增長動力也較低。西部地區有些省份（比如山西、內蒙古、江西、四川、貴州、陜西等）還處在起步階段。

（2）能源消耗與物流需求為雙向影響效應。現階段中國物流業的發展依然依賴大量的能源消耗，物流需求是導致能源消耗的原因，物流需求和物流業發展也是導致能源消耗的原因。能源消耗和物流需求是導致物流業發展的原因。經濟發展是導致物流業發展的原因，物流業發展與物流需求為雙向影響效應。物流需求是導致物流業發展的原因，物流業發展也是導致物流需求的原因。

4.2? 建? 議

（1）中國政府應當統籌兼顧、合理布局全國的物流產業發展，扭轉地區發展差異帶來的物流產業發展不平衡的現狀。“明星”象限的沿河流域，物流業發展潛力較高，經濟增長動力也較高。應當抓住國家經濟內循環的機遇，努力發展、快速成長。主動學習沿海地區物流業發展的經驗，并引進人才。地方政府應當改變“土地財政”的城市發展模式，建立以高新技術產業為依托的新型城市群發展模式。中心城市吸納高新技術企業入駐，衛星城市以優惠政策吸納并發展相關的上下游產業鏈上的配套企業;“金牛”象限的沿海地區，物流業發展潛力較低，經濟增長動力卻較高。應當追求高質量發展，優先發展高科技物流產業，淘汰落后的產業鏈將其轉移至西部或者東北地區。

（2）“問題”象限的東北地區，物流業發展潛力較高，經濟增長動力卻較低。東北地區擁有中國比較完善的工業體系，應當依靠優惠稅收政策，主動吸納東部及沿海地區的淘汰的產能，防止其向東南亞國家轉移，有效實現經濟內循環。比如在東北地區實行“五免五減半”（五年免稅，五年減半征收）;或者學習海南省在東北中心城市（比如哈爾濱、大連等）搞免稅自貿區。政府更應當加大優惠政策吸引人才，比如優惠落戶安置政策、加大公租房與廉租房的投入建設。給與高新技術人才更加優厚的引進待遇，比如更高的住房補貼、妥善解決子女教育、配偶工作等方面的問題。“瘦狗”象限的西部地區，物流業發展潛力較低，經濟增長動力也較低。西部地區有些省份（比如山西、內蒙古、江西、四川、貴州、陜西等）還處在起步階段。同時，西部地區物流業發展緩慢，有待進一步提高。

（3）中國政府應當鼓勵和支持發展新能源產業，逐漸擺脫經濟發展和物流業發展對化石能源消耗的依賴，走綠色發展之路。政府應當考慮新的發展模式，比如發展無人機、石墨烯電池等新的技術，或者使用太陽能、電能等新能源為動力的交通工具逐步取代以石化燃料燃燒為動力的機動車，不僅可以節約能源、減少環境污染，又可以實現經濟的綠色可持續發展。

（4）深入開展 “經濟內循環”，塑造中國民族品牌，完善物流產業供應鏈，推動經濟高質量發展。將“品牌戰略”上升到國家戰略，鼓勵一大批民族品牌崛起，支持中國的企業走出去，積極參與國際市場的競爭。中國不應該再做歐美等發達國家知名品牌的代工廠，鼓勵民族企業進行產品升級和實施品牌化戰略不僅是經濟高質量發展的必要條件，更是一個國家文化自信的表現。

參考文獻：

[1]? Lan S， Yang C， Huang G Q. Data analysis for metropolitan economic and logistics development[J]. Advanced Engineering Informatics， 2017，32：66-76.

[2]? Fang C， Zhang J. Performance of green supply chain management： A systematic review and meta analysis[J]. Journal of Cleaner Production， 2018，183：1064-1081.

[3]? Liu X， McKinnon A C， Wei N. An Analysis of Energy-Related CO2 Emissions from China's Logistics Industry[M] // Environmental Sustainability in Asian Logistics and Supply Chains. Springer， Singapore， 2019：3-19.

[4]? Khan S A R， Sharif A， Golp？觘ra H， et al. A green ideology in Asian emerging economies： Fromenvironmental policy and sustainable development[J]. Sustainable Development， 2019，27（6）：1063-1075.

[5]? Hidayatno A， Destyanto A R， Fadhil M. Model conceptualization on E-commerce growth impact to emissions generated from urban logistics transportation： A case study of Jakarta[J]. Energy Procedia， 2019，156：144-148.

[6]? Baydar A M， Süral H， ？覶elik M. Potential effects of logistics clusters： The case of Turkish Freight Villages[J]. Journal of cleaner production， 2019，233：399-411.

[7]? Duan H， Song G， Qu S， et al. Post-consumer packaging waste from express delivery in China[J]. Resources， Conservation and Recycling， 2019，144：137-143.

[8]? Kang P， Song G， Chen D， et al. Characterizing the generation and spatial patterns of carbon emissions from urban express delivery service in China[J]. Environmental Impact Assessment Review， 2020，80：106336.

[9]? Rashidi K， Cullinane K. Evaluating the sustainability of national logistics performance using Data Envelopment Analysis[J]. Transport Policy， 2019，74：35-46.

[10]? Wu Q， Qiu Y. Analysis of the Influencing Factors of China's Logistics Industry Based on Regression Model[C] // 2019 International Conference on lnEConomic Management and Model Engineering （ICEMME）. IEEE， 2019：265-268.

[11] 李紹春，初永玲，廉靜，等. BP神經網絡在液化天然氣客車能耗估算中的應用[J]. 重慶交通大學學報（自然科學版），2019，38（10）：133-138.

[12]? Yang J， Tang L， Mi Z， et al. Carbon emissions performance in logistics at the city level[J]. Journal of cleaner production， 2019，231：1258-1266.

[13]? Deng F， Xu L， Fang Y， et al. PCA-DEA-tobit regression assessment with carbon emission constraints of China's logistics industry[J]. Journal of Cleaner Production， 2020，271：122548.

[14]? Cohen G， Jalles J T， Loungani P， et al. DlnECoupling of emissions and lnGDP： Evidence from aggregate and provincial Chinese data[J]. Energy lnEConomics， 2019，77：105-118.

[15] 李博，郭勇，顏燕，等. 重型柴油車在高海拔條件下使用生物柴油的整車性能研究[J]. 小型內燃機與車輛技術，2020，49（1）：1-5.

[16] 寧艷紅，郭興，劉云崗. 基于運行工況的純電動車與汽油車能耗排放比較分析[J]. 內燃機與動力裝置，2012（3）：5-7，12.

[17]? Christiano L J， Christopher A. Sims and vector autoregressions[J]. The Scandinavian Journal of Economics， 2012，114（4）：1082

-1104.

[18]? Holtz-Eakin D， Newey W， Rosen H S. Estimating vector autoregressions with panel data[J]. Econometrica： Journal of the Econometric Society， 1988，56（6）：1371-1395.

[19] 汪曉文，陳垚. 西北地區交通基礎設施與旅游經濟增長的交互影響研究——基于PVAR模型的實證分析[J]. 蘭州大學學報（社會科學版），2020，48（4）：31-38.

[20] 寧艷紅，郭興，劉云崗. 基于運行工況的純電動車與汽油車能耗排放比較分析[J]. 內燃機與動力裝置，2012（3）：5-7，12.

[21] 董梅，李存芳. 中國低碳技術效率、技術差距與低碳化進程研究——基于MinDS-Luenberger方法的實證分析[J]. 華東經濟管理，2020，34（11）：81-89.